用自己的录音让照片说话：上传音频与对口型步骤
你已经有一段录音，不必把它重新写成脚本，也不必另选合成声音。上传录音文件，配上一张肖像，即可开始生成说话视频。截至 2026 年 10 月 11 日，LipSyncX 音频面板列出的格式为 MP3、WAV 和 M4A，上传大小上限为 30MB。
2026 年 10 月 11 日核对的 LipSyncX 界面提供 Text（文本）、Audio（音频）和 Record（录音）三种输入。本文使用 Audio 模式，说明界面控件与公开限制，不保证每张脸或每段录音都能得到相同质量。
准备肖像和一段短录音
选择一张清晰肖像，只露出一张脸，嘴部无遮挡，头部周围留有空间。使用自己的照片，或你有权制作动画的图片。
当前音频面板列出 MP3、WAV 和 M4A 格式，上传上限为 30MB / 10 分钟。面板建议使用不足 1 分钟的音频，以获得较好的对口型质量。上传上限并不保证所有模型都支持完整时长。
| 素材 | 第一次可以这样准备 |
|---|---|
| 照片 | 嘴唇清晰可见的正面肖像 |
| 录音 | 用自己的声音说一句短句 |
| 时长 | 先用约 5–10 秒，再做长留言 |
| 音频文件 | 符合界面限制的 MP3、WAV 或 M4A |
| 画面用途 | 先决定竖屏或横屏构图 |
30 秒生日祝福可以等短句检查完再做。先生成一小段，比直接投入整段留言更容易发现问题。
肖像与录音波形配对的说明插画，用于解释两种输入素材；不是实际生成的视频效果
用自己的音频让照片说话
- 打开 AI 说话照片生成器，上传肖像或选择合适的模板。
- 选择模型和分辨率。核对时界面包含 LipsyncX 2.0 Fast 和 Pro，可用选项可能变化。
- 选择 Audio（音频）并上传录音。替换预载示例文件，不要让示例仍处于选中状态。
- 播放上传音频的预览。生成前确认文件名、说话内容、起点和结尾。
- 阅读预估积分总数，对照账户余额和当前计费规则。
- 确认素材后生成。任务完成时，先带声音检查视频，再下载。
Audio 模式使用上传文件驱动这一流程。Text 模式从书面脚本开始，Record 则用于录制音频。选择正确模式，能避免意外用其他声音代替你想保留的录音。
制作长留言前先看预估费用
检查时，所选模型的对口型控件显示每 5 秒在 480p 消耗 10 积分、720p 消耗 20 积分、1080p 消耗 30 积分。这些是当时设置下显示的费率，不是每个模型的统一价格。
长留言要记录实际时长和预估费用。开头和结尾的静音也属于文件时长。需要缩短时，可以用音频裁剪工具，上传前重新播放裁剪后的片段。
音频预览确认的是即将送入生成流程的内容，并不是最终面部动画的预览。
检查开头、中间和结尾
| 检查位置 | 需要看或听什么 |
|---|---|
| 开头 | 第一个可听见的词与首次嘴部动作 |
| 中间 | 清晰的辅音和持续较长的元音 |
| 停顿 | 静音期间嘴部表现是否合理 |
| 结尾 | 最后一个词、是否截断音频以及剩余静音 |
| 面部 | 嘴唇、牙齿、下巴或眼睛周围是否变形 |
保留原始录音，以便与输出比较。如果要重试，每次只改变一种素材或设置。这样更容易判断，裁剪音频或换清晰肖像是否有帮助。
常见问题
需要克隆声音吗？
不需要。上传已有录音，与创建声音克隆是两种不同的任务。
可以用歌曲代替说话吗？
让照片唱歌的流程支持歌曲。与普通旁白相比，需要分别检查人声、器乐段落和时序。
文件上传了，但无法开始生成怎么办？
检查肖像是否已上传完成、音频是否选中、模型是否接受所需时长，以及显示的余额是否足够支付预估积分。
从你想保留的录音开始
打开说话照片生成器，选择 Audio，用自己的短录音替换示例。生成前先听一遍。